模型与 ETF 研究原理¶
小型模型¶
LightGBM、XGBoost 和小型 MLP 把量价特征映射为后续相对收益，再进行截面排序。训练和标签按日期隔离，预测段不参与特征统计；MLP 的标准化只拟合训练段。模型需滚动更新，保存拟合次数、验证样本、预测及耗时证据。
模型名称不能证明策略先进或盈利。股票池、数据时点、退市/幸存者偏差、成本与样本外稳定性往往比单次训练误差更重要。运行通过、小样本正收益和机构曾使用某类模型是不同证据。
ETF 与轮动¶
ETF 相对强弱轮动比较池内标的的过去收益，按调仓间隔持有较强标的；趋势配置依据延迟趋势状态持有或退出，使用开盘执行。池内类别、基金费率、历史点数和流动性缺失时应保持缺失。
行业轮动示例是配置篮子中的相对强弱代理，不自动建立完整行业成分、权重与历史分类体系。研究时需自行说明所选标的如何代表行业。
平台跟踪误差相对标的池等权基准；ETF 的官方指数跟踪、申赎机制、价差、规模和实际容量需要额外数据。费用字段也不能替代完整交易成本。
多 Agent 的位置¶
复核读取已有回测、ETF 池、费用、换手和流动性证据，生成研究意见，不替代确定性撮合或风险约束。真实应用调研的正文与来源保留在项目 docs/research/models/、docs/research/etf/、docs/research/agents/，其机构应用证据与本项目部署能力分别判断。